AI代理如何工作：架構深度解析

AI代理（AI Agent）是當前科技領域最熱門的概念之一，但其核心架構其實相當簡潔：一個大型語言模型（LLM）與外部工具相連，在一個循環中運作——模型推理出要做什麼，調用工具，觀察結果，然後重複，直到任務完成。這個被稱為ReAct的模式，源自2022年的論文《Synergizing Reasoning and Acting in Language Models》，如今已成為所有生產級AI代理的基礎。

然而，讓代理高效工作的並非模型本身，而是圍繞它的基礎設施：如何管理跨數千次工具調用的上下文窗口，如何設計適應非確定性消費者的工具，以及如何實施安全邊界。一個廣為流傳的説法成為了這個領域的標誌性數據：Claude Code泄露的源代碼顯示，其代碼庫中僅有約1.6%是AI決策邏輯，其餘98.4%是運營基礎設施。儘管這一數字存在爭議——批評者認為它誤讀了相關論文的分類方式，且“AI邏輯”與“基礎設施”的劃分本身是一種解釋性選擇而非代碼事實——但無論確切比例如何，基本直覺是正確的：生產級代理系統的主導因素是運營工程。

代理架構已演變為幾個明確的層次：

• **ReAct循環**（思考→行動→觀察）將推理軌跡與外部動作交錯進行，使模型能夠在與真實數據源交互的同時推斷、跟蹤和更新計劃。
• **工具使用**將模型連接到API、文件、數據庫等其他系統。關鍵在於，工具必須專門為代理設計，即非確定性消費者，而不僅僅是封裝為API端點。
• **記憶**分為兩種形式：短期記憶（受上下文窗口限制的上下文學習）和長期記憶（通過檢索增強生成檢索外部向量存儲）。
• **規劃與組合模式**（編排者-工作者、評估者-優化者、並行化）使代理能夠處理複雜的多步驟任務。
• **多代理系統**將子任務分配給專門的工作者，以指數級增長的令牌成本換取開放式問題上的巨大能力提升。
• **可觀測性**（通過OpenTelemetry GenAI語義約定的分佈式追蹤、無限循環檢測、成本歸因和會話重放）已成為關鍵運營層。沒有它，調試非確定性代理行為幾乎不可能。

這項研究最重要的發現是，代理架構已經圍繞一套小而精的廣為人知模式收斂。框架供應商（LangChain、CrewAI、OpenAI的SDK、Anthropic的Agent SDK）之間的競爭主要在於人體工程學。真正的工程努力投入到上下文管理、工具設計和可靠性上，這些領域的頂尖從業者積累了豐富的領域知識。

第二個重要發現是，代理基準測試與現實世界性能之間的差距遠超常見假設：95%的企業AI試點項目未能帶來可衡量的投資回報率，約一半通過SWE-bench的拉取請求不會被真正維護者合併。該領域的主要瓶頸現在是評估方法，而非模型能力。

第三個發現：“代理冬天”的批評有實證支持。企業採用速度比早期炒作所暗示的更慢、更謹慎。Gartner預測到2027年，40%的代理型AI項目將被放棄，原因是“成本上升、商業價值不明確和集成複雜性”。普華永道將集成複雜性（67%）、缺乏監控（58%）和不清晰的升級路徑（52%）列為試點失敗的首要原因。

總而言之，AI代理並非魔法，而是一種精心設計的系統工程。理解其架構和權衡，對於任何希望在企業中成功部署AI代理的人來説，都至關重要。